基于邊緣計算的無人機協同任務卸載策略研究*

李 立 王司令 周 洋 王 恒

（1.西安工業大學電子信息工程學院 西安 710000）

（2.西安工業大學兵器科學與技術學院 西安 710000）

1 引言

隨著科技的發展，出現了各種型號的無人機、無人飛行器、無人航天器，不僅應用在軍事場景中，而且在民用和商業服務中發揮重要作用［1］。

Zhou等［2］提出了一個綜合網絡架構，通過空中平臺的支持為地面用戶提供多種服務，無人機本身的計算能力和能源資源有限，效率低下。移動邊緣計算（Mobile Edge Computing，MEC）［3］緩解了這些問題，Wang［4］等介紹了MEC 的架構，Mazouzi［5~7］考慮了可卸載部分的依賴關系，Han［8］使用一維搜索算法來實現最小化執行延遲的目標，Sheng 等［9］提出了LTE的一般能耗模型，Yang［10］在能耗和執行延遲之間權衡的想法。對于，如何優化無人機邊緣計算的任務卸載產生的能耗和時延是一個問題。

針對邊緣計算下無人機協同任務卸載的問題，提出了SAPSO 算法，面對服務質量要求不同的情況，以實現最優的卸載策略為目標，從而使系統具有更低的延遲和能耗。

2 系統模型

2.1 場景描述

本節研究邊緣計算中無人機協同的任務卸載系統模型，然后分別給出了能量和延遲的評估模型。該系統由無人機和N個終端設備組成，如圖1所示。UAV 可以通過LTE 無線鏈路［4］為邊緣服務器提供計算和通訊服務［8］，UAV 可以將部分任務卸載到地面終端設備，并將剩余任務在其他終端設備進行計算。

圖1 邊緣計算系統模型

UAV 通過無線通訊鏈路和網絡技術［10］與地面終端設備進行連接，信道模型中，總通信功耗由上行鏈路部分和下行鏈路部分組成，但我們假設計算結果不返回UAV，可以直接將計算結果傳輸給用戶。因此，本文將忽略下行鏈路部分。

終端設備通過上行鏈路傳輸數據時，上行鏈路全功率包括射頻功率、基帶編碼功率和基線功率［9，12］。射頻功率隨信號輻射功率ptx變化；文獻［12］Chen測量了LTE-MT傳輸的實際功耗，結果表明基帶編碼功率與射頻功率相比可以忽略不計，所消耗的基本功率只是維持電路接通。本文采用文獻［12］的定義方式，基線功率為常數，上行鏈路全功率與ptx呈近似線性遞增關系。根據以上分析，上行鏈路的能耗為：

式中，ktx1為基準功率，ktx2為功率放大系數；tUL表示上行鏈路傳輸時間，取決于數據大小和數據傳輸速率。

由于UAV通訊鏈路的視距信道隨UAV移動而變化，因此發射功率也具有時變特性。假設一個時隙系統，記錄每個時隙相對應的發射功率，UAV 的移動過程是相對平緩的，UAV 和終端設備通訊時是相對靜止的，及UAV 和終端設備進行計算卸載中位置不變。

根據上述分析，選擇j作為入口終端設備時，給定計算任務x其產生的能量消耗可以寫成本地計算產生的能量和傳輸能量之和：

其中：Dapp(x)表示整個系統的數據大小，Dserver(x,i)表示分配給i個終端設備的數據量；εUAV表示本地計算能耗效率，t0(x,j)表示計算卸載任務開始時間，tUL(x,j)表示無線通訊鏈路的結束時間；ptx,UAV(t)表示在時刻t時UAV 到終端設備的信號輻射功率。

2.2 邊緣計算系統模型

整個時延由傳輸時間和計算任務時間組成，定義計算結果的數據量遠遠小于輸入量［11］，因此本文不考慮將結果返回給用戶的時間。UAV 可以同時進行數據傳輸和局部計算，當邊緣設備接收到分配給該終端設備的所有數據時，邊緣設備開始計算，對于入口終端設備，無線通訊鏈路不影響回程傳輸［14］，在接收UAV 數據的同時，還可將數據分發給其他終端設備。此外，在無線通訊鏈路上，數據不是按終端設備順序傳輸的，而是隨機分布的。綜上，計算卸載產生的傳輸時延記為tapp可以表示為

式（3）中，總傳輸時延取UAV 本地執行時間與計算卸載時間的最大值，而計算卸載時間等于N個任務卸載的最大運行時間。對于某一任務卸載計算過程，運行時間由接收數據的時間和邊緣設備的計算時間組成。前者等于數據量乘以CPU 處理1bit數據時所需的時間，后者表示UAV到入口終端設備的傳輸時間、入口終端設備到目標設備的傳輸時間，邊緣設備計算時間的值取后完成計算卸載任務的時間。最后，根據數據量和回程數據速率，可以計算出入口終端設備到目標設備的時間。

2.3 問題模型

在提出的UAV 邊緣計算系統中，本文解決的問題是在時延限制不太緊和滿足最大時延約束的情況下，得到一個最優的無線數據傳輸速率和最優能耗的任務分配策略，使UAV 的能耗最小化；對于時延敏感的業務，我們應該找到最節省時間的分配方案，并采用盡可能高的數據速率。具體來說，當一個計算任務到來時，需要確定分配給每個邊緣設備的計算工作量和每個鏈路采用的數據速率，實際上由于設定其始終可以獲得通訊信道狀態信息，所以最后會將數據速率的結果轉換為向UAV 提出指令的傳輸功率，其過程中使用數據速率，以便于制定和解決計算任務。

式（2）中UAV 的傳輸功率ptx,UAV(t,j) 和上行鏈路傳輸時間tUL(x,j)可以用上行鏈路數據速率rUL(t,j)和Dserver(i)(x,i)表示，并滿足束條件：

由香農定理可以確定ptx,UAV和rUL的值，其中路徑損失PLest可以根據文獻［13］中提出的信道模型計算，WUL為上行鏈路帶寬，N0為背景噪聲功率譜密度。式（5）中，N(0,3.4) 其均值為0，方差為3.4 的正態分布，式（6）、（7）表示當傳輸數據量達到任務卸載數據量時，tUL由式（7）表示。

上述對約束條件進行分析，以取得最優的變量關系，UAV 邊緣計算任務卸載的系統模型進行限制如下：

其邊緣計算的任務卸載數據大小永遠不會超過整個信道系統的數據大小。

式（9）中ptx,UAV表示UAV的最大發射功率。

式（3）計算出tapp(x)的值是邊緣計算的最大時延約束，不斷改變Lmax的值，使得該優化問題取得最低能耗和系統計算卸載的時延最低。

對上行鏈路數據速率約束，根據LTE調制與編碼策略（Modulation and Coding Scheme，MCS）［9］；MCSmin和MCSmax分別為頻譜效率的最小值和最大值。在LTE策略中，下界決定通信信道范圍和最小數據速率，上界限制最大可用數據速率。綜上，具體優化問題建模為

其中：rul(t,j)和Dserver(x,i)滿足式（3）~（12）的約束，對于每一個計算卸載任務，都存在一個最優卸載策略和最小能耗，包括時變數據速率、數據分配方案和入口終端設備選擇。假設UAV 能同時處理多個任務，只能按順序處理，當收到計算任務時，UAV 處理該任務的信息并將該信息傳遞給系統；系統服務器進行在線優化和確定。

3 算法設計

3.1 最優數據速率算法

在生成計算任務時，稱數據大小為固定值，Eapp相當于1/bit 能耗的最小值。對于1/bit 數據，本地計算能耗是一個固定的值，而通信能耗隨著數據速率的變化而變化。令式（1）除以上行鏈路傳輸數據量，得到最小的能耗，根據式（4）、（5）用上行鏈路數據速率rUL替換ptx得：

當信道質量較差時，將數據速率降低到略低于最佳數據速率的值；當信道質量可接受時，可以將數據速率提高到較高的值。該任務卸載算法使每個時隙的-- --EUL不是最優的，但是可以讓更少的數據在較差的信道中傳輸，讓更多的數據在可接受的信道中傳輸，使平均能耗降低。假設UAV 的速度是勻速的，并且信道模型是相同的，在傳輸過程中信道狀態幾乎穩定。因此，次最優解與全局最優解之間的差異可以忽略不計。

根據凸函數定理，式（13）相對于rUL是凸的，rUL的約束條件為式（4）、式（9）、式（11），利用拉格朗日乘子法解決凸優化問題。

通過定義拉格朗日函數，不考慮數據量項和時延約束，利用KKT 條件，獲得無人機在每個時隙與每個終端設備通信時最節能的上行鏈路數據速率［15］。當有數據需要通過無線通訊鏈路傳輸到某臺終端設備時，獲得最節能的數據速率，作為搜索最優資源分配的基礎。

3.2 最優任務分配算法

根據3.1 節中最優數據速率問題，提出一種啟發式算法，SAPSO算法。粒子群優化算法（PSO）［16］，是結構較為簡單且收斂快的求解優化算法，適用于多目標優化任務。傳統PSO 算法有一個缺點就是容易陷入局部最優，將PSO 算法和模擬退火算法（simulated annealing，SA）［17］結合起來，另其跳出局部最優。模擬退火算法是有一定的可能性得到更差的解，從而避免過早地落入局部最優解。算法1的偽代碼闡述了本文方案中SAPSO 算法的詳細步驟。

針對邊緣計算任務卸載，使用SAPSO 算法來解決資源分配問題，因為資源分配任務是一個粒子位置向量，其維數等于終端設備數量。使用SAPSO算法不僅可以找到給定時延約束下的資源分配，還可以找到計算卸載的時延最低，當服務器數量發生變化時，該算法仍然有效。

4 仿真實驗和結果分析

4.1 實驗設置

仿真實驗使用Matlab 平臺，搭建模擬系統環境，設置了1 個UAV 和4 個終端設備，評估所提算法的性能和效率，仿真中的參數數值如表1所示。

表1 仿真參數值

其中：ktx1、ktx2根據［12］中的測量值設置，UAV能耗和時間效率是根據手機的CPU設置的，用于處理圖像相關的任務。Llocal表示本地計算所有數據的延遲，最大時延Lmax在1s 的步長內從0.06 ?Llocal變化到0.12 ?Llocal，觀察性能變化并計算卸載時延最低。αUAV為時延權重因子，δUAV為能耗權重因子，假設終端設備是查詢驅動器［1］，這意味著在生成計算任務時，UAV 的位置是隨機選擇的，任務開始從1~ 7 的數據大小從40MByte 線性增加到160MByte，步長為20MByte。

4.2 仿真結果與分析

為驗證SAPSO 算法的有效性和最優性，本文選取其他三種任務卸載算法進行對比。第一種是UAV 本地計算，它計算卸載延遲高、處理時間較長；第二種是基于PSO 的任務卸載算法，該算法收斂速度較快；第三種是基于SA的任務卸載算法，其計算能耗相對較高。

如圖2 顯示了任務數據量大小從40MB 到160MB 之間能量消耗的變化，可以看出本文所提的SAPSO 算法在不同任務數據量大小下能夠實現最低的能耗。通過實驗數據分析，本文算法所消耗的能量比另外3 種算法降低了79.6%、29.1%、25.5%。

圖2 系統的能耗與數據大小關系仿真圖

如圖3 顯示了任務數據量大小從40MB 到160MB 之間延遲的變化，可以看出本文所提的SAPSO 算法在不同任務數據量大小下能夠實現最短的延遲。通過實驗數據分析，本文算法系統產生的延遲比另外3種算法降低了75%、34.6%、20.9%。

圖3 系統的延遲與數據大小關系仿真圖

本文將系統任務卸載的能量消耗和時間延遲的線性加權表示為開銷。如圖4 顯示了任務數據量大小從40MB 到160MB 之間開銷的變化，可以看出本文所提的SAPSO 算法在不同任務數據量大小下能夠實現最小的開銷。通過實驗數據分析，本文算法系統產生的開銷比另外3 種算法降低了17.1%、6.8%、5.2%。

圖4 系統的開銷與數據大小關系仿真圖

通過上述對比實驗，本文所提算法的表現均優于其他三種卸載算法，并具有較好地收斂性和魯棒性。此外，本文所給出的SAPSO 算法可以在延遲與能耗性能之間，能夠實現一個最優的策略。

5 結語

本文考慮了UAV 邊緣計算下協同任務卸載問題，提出了一種基于SAPSO 的任務卸載算法。該算法對傳輸數據速率和資源分配進行優化，以滿足不同的服務質量要求，能有效地利用異構邊緣服務器進行協同工作。仿真實驗結果表明，在優化延遲和能耗問題方面起到了有效的作用。在今后的工作中，將考慮在飛行試驗臺上進行實驗，并考慮其他不同情況的MEC計算卸載問題。